CN112568873B - 一种实时睡眠监测记录与分析方法 - Google Patents

Abstract

本发明公开了一种实时睡眠监测记录与分析方法，是生物医学领域研究人或其他动物睡眠状态的常用方法，提供了一种结合硬件与软件，进行实时睡眠监测的系统，硬件负责采集数据，软件负责对数据进行睡眠的分类，并达到实时性效果，分析算法使用有量纲参数（关键频段能量、有效值和运动数据）和无量纲参数（标准化后的卷积计算值）并分别使用欧氏距离和马氏距离进行距离计算确定睡眠状态的分类，增加了分类算法的准确性，并且完成实时从设备抓取数据进行睡眠状态的标定。

Description

一种实时睡眠监测记录与分析方法

技术领域

本发明涉及睡眠监测与分期领域，尤其涉及一种实时睡眠监测记录与分析方法。

背景技术

睡眠状态是记录行为或大脑活动时要分辨的一种重要状态。在哺乳类动物的睡眠状态分析时主要通过记录动物的行为、脑电信号和肌电信号，然后通过离线的方式分析出动物睡眠的三种状态，清醒期、慢波睡眠期和快速眼动期。而在一些研究中需要实时反馈大脑活动在各状态中的变化，或者剥夺睡眠状态中的某一种后的大脑活动，主流使用的数据处理的方式便满足不了这些研究的要求。

发明内容

发明目的：针对以上问题，本发明提出一种实时睡眠监测记录与分析方法，在记录数据的同时反馈睡眠的各个状态，方便研究者施加干预方法并获取反馈得到的大脑活动。系统通过实时采集数据进行分析，达到实时睡眠状态分期的目的，并将数据分为有量纲参数和无量纲参数分别进行分类并汇总，提高了睡眠分期的准确性。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种实时睡眠监测记录与分析方法，包括以下步骤：

S1、记录脑电信号、肌电信号并滤除干扰，记录运动行为的视频信号；脑电信号和肌电信号为等采样间隔的时间序列X，视频信号为等采样间隔的图像序列Y；

X＝{x₁,x₂,…,x_n,…,x_N}

Y＝{y₁,y₂,…,y_n,…,y_N}

式中，x_n为采样的第n个点的幅度值，N为采样点数；y_n为采样的第n幅图像的矩阵值，矩阵维度I*J，I,J分别为图像传感器的长宽上的像素数；

S2、对采集的信号进行预处理、特征提取与分类；具体包括：

1)针对脑电信号使用傅里叶变换提取delta、theta和alpha频段的能量信息，delta频段为1～4Hz，theta频段为4～9Hz，alpha频段为9～15Hz，傅里叶变换后的值为：

式中，F_k为第k个频点的能量，1≤k≤N；

为脑电信号采样的第n个点的幅度值；则计算出各频段的能量为：

式中，F_delta,F_theta,F_alpha分别为delta、theta和alpha频段的能量信息；

提取肌电信号的有效值，即均方根值：

式中，

为肌电信号采样的第n个点的幅度值；

提取视频信号中目标的空间信息和移动信息，使用边缘检测的方式，检测出目标的轮廓，计算图像的梯度G_n以及G_n的标准差Std_G：

式中，(i,j)表示图像上像素点；边缘像素集合ED_n＝{G_n(i,j)＞Std_G}作为空间信息，选取边缘像素集合的平均值信息作为目标的位置L_n，计算当前帧与上一帧的位置差，作为移动信息M＝L_n-L_n-1；将以上计算的结果作为有量纲值参数DI，有

DI＝{F_delta,F_theta,F_alpha,U_rms,M}

2)对原始脑电数据进行零均值标准化消除数据量纲，方法如下：

其中，Z为标准化的时间序列，μ为X_EEG的平均值，σ为X_EEG的标准差，

Z＝{z₁,z₂,…,z_n,…,z_N}

将标准化后的数据作为输入层，通过卷积计算得到卷积层数据{J₁,J₂,…,J_N-1}，

其中z_i为标准化后的数据节点，W_i为权重值，i＝1,2,…,n,…,N；基于欧氏距离找到卷积层数据{J₁,J₂,…,J_N-1}与数据节点{z₁,z₂,…,z_N}最相配的激活节点z_n，方法如下：

欧氏距离d_n取最小值对应的z_n为激活节点；找到激活节点z_n后，对于邻域内的节点z_i,i＝1,2,…,N,i≠n分别分配一个更新权重

其中α(d_n)是邻域内第i个神经元和第n个神经元之间的拓扑距离函数；按照梯度下降法更新迭代权重，通过更新权重得到更新后的节点数据，直到更新后的节点数据收敛到不同的中心点，这些中心点即为不同特征的节点数据，这些节点数据标记为不同的睡眠状态，将最后的节点数据作为无量纲参数NDI，有

NDI＝{nd₁,nd₂,…,nd_n,…,nd_N}

3)分别获取M段脑电信号时间序列，肌电信号时间序列和视频信号的图像序列，所对应的有量纲参数和无量纲参数的集合分别为

BINDI＝{DI₁,DI₂,…,DI_m,…,DI_M}

BINNDI＝{NDI₁,NDI₂,…,NDI_m,…,NDI_M}

对数据集合进行聚类分析，确定中心值信息；睡眠分期分为若干阶段，阶段数量决定数据所分的类数，即中心值CV的个数A；计算类中心值的状态值，确定中心值对应的睡眠状态。

进一步的，睡眠分期分为若干阶段，阶段数量决定数据所分的类数，即中心值CV的个数A；第a个中心值集合

为有量纲参数的第a个中心值，

为无量纲参数的第a个中心值，1≤a≤A；

在确定中心值的个数时，分别从有量纲参数和无量纲参数集合中任意挑选A个值作为中心值，并分别计算无量纲参数的欧氏距离EM和有量纲参数的马氏距离MA，每个集合得到A个距离，然后结合马氏距离和欧氏距离长短d来确定类别；

其中，对无量纲参数计算欧氏距离

表示无量纲参数每个类的中心值；对有量纲参数计算马式距离

表示有量纲参数每个类的中心值，Cov表示协方差，T表示转置；

式中，(m,a)表示第m段数据的第a个距离结果，1≤a≤A,1≤m≤M；

如果在{d_(m,1),d_(m,2),…,d_(m,a),…,d_(m,A)}中最小值为d_(m,a)，则第m段数据分为第a类；

BINDI_a＝{DI₁,DI₂,…,DI_m,…,DI_L}

BINNDI_a＝{NDI₁,NDI₂,…,NDI_m,…,NDI_L}

其中，L为第a类的数据长度，L<M；

计算每个分类的均值，为重新确定的中心值

计算无量纲参数的欧氏距离EM和有量纲参数的马氏距离MA，每个数据得到A个距离，结合马氏距离和欧氏距离长短d来更新数据集合BINDI_a和BINNDI_a，并更新中心值CV，重复这个步骤，使得CV无变化，得到确定的中心值，并计算类中心值的状态值R：

根据各个睡眠阶段的状态值R范围确定中心值对应的睡眠状态。

有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：

本发明方法记录脑电信号、肌电信号和视频图像三个维度的信号，增加了分期的准确率。针对不同目标实施不同的分期方案，增加了系统的适用性。使用神经网络卷积计算的节点数据和信号实际参数相结合后做聚类的算法，避免了只使用神经网路算法产生过拟合现象，增加了算法模型的鲁棒性。短数据计算睡眠状态的算法，实现了系统实时在线性。实现硬件平台和终端平台对数据处理，增加了系统的易用性。

附图说明

图1是睡眠状态分析的过程；

图2是系统硬件的组成；

图中，1-采集前端，2-数据汇总，3-数据分析部分。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

本发明所述的一种实时睡眠监测记录与分析方法，如图2所示，包含记录和分析两个部分，记录部分负责对脑电信号、肌电信号和视频信号进行记录监测，分析部分对采集的信号进行实时处理并得出睡眠状态。

记录部分包括前端记录器、图像传感器、通信模块、中央处理器，前端记录器包括滤波器、前端放大器和数模转换器，用来记录脑电信号、肌电信号并滤除干扰。图像传感器用来记录动物运动行为的视频信号。记录的数据在中央处理器上汇总、解析和同步。脑电数据使用一阶RC低通滤波器滤除100Hz以上的数据干扰，并进入精密运算放大器，放大器放大200倍并送入模数转换器将模拟信号转换为数字信号，放大器选择ADI公司的ADA4528，本体噪声小于97nVpp，共模抑制可达135dB，满足脑电信号的采集；肌电信号使用一阶RC高通滤波器滤除100Hz以下的数据干扰，并进入运算放大器，放大器放大100倍并送入模数转换器将模拟信号转换为数字信号，放大选择TI公司的OPA4330，底噪小于1.1uVpp，共模抑制比为115dB，满足肌电信号采集的使用；模数转换器选择TI公司的ADS1299，24位分辨率，最小可采集100nV的信号，满足系统的使用。记录视频信号使用CMOS图像传感器，传感器选择ONSemiconductor公司的PYTHON480传感器，尺寸大小为1/3.6英寸，像素大小800*600，可完成720P，30FPS视频的拍摄，满足视频数据的采集。

分析部分负责对记录的数据进行预处理、特征提取与分类。分析部分可以放置在中央处理器上处理，通过显示装置反馈给用户当前实时睡眠状态，也可以通过有线或无线的方式将记录的数据发送到其他终端上进行处理与显示。算法流程为：1)针对脑电信号提取delta、theta和alpha频段的能量信息和能量比信息，样本熵，提取肌电信号的有效值，提取视频中动物的空间信息和踪迹信息；2)对数据进行标准化，通过卷积计算，得到卷积层，提取数据节点，基于欧氏距离，找到与它最相配的激活节点，找到激活节点之后，对于临近的节点分配给它们一个更新权重，通过更新权重更新节点数据，按照梯度下降法更新迭代，直到收敛为不同特征的节点数据，再结合实时处理的数据；3)对无量纲参数计算欧式距离，对有量纲参数计算马氏距离，通过系统聚类方法，得出睡眠分期结果。流程如图1所示，具体实现包括以下步骤：

S1、记录脑电信号、肌电信号并滤除干扰，记录运动行为的视频信号；脑电信号和肌电信号为等采样间隔的时间序列X，视频信号为等采样间隔的图像序列Y；

X＝{x₁,x₂,…,x_n,…,x_N}

Y＝{y₁,y₂,…,y_n,…,y_N}

式中，x_n为采样的第n个点的幅度值，N为采样点数；y_n为采样的第n幅图像的矩阵值，矩阵维度I*J，I,J分别为图像传感器的长宽上的像素数；

S2、对采集的信号进行预处理、特征提取与分类；具体包括：

1)针对脑电信号使用傅里叶变换提取delta、theta和alpha频段的能量信息，delta频段为1～4Hz，theta频段为4～9Hz，alpha频段为9～15Hz，傅里叶变换后的值为：

式中，F_k为第k个频点的能量，1≤k≤N；

为脑电信号采样的第n个点的幅度值；则计算出各频段的能量为：

式中，F_delta,F_theta,F_alpha分别为delta、theta和alpha频段的能量信息；

提取肌电信号的有效值，即均方根值：

式中，

为肌电信号采样的第n个点的幅度值；

提取视频信号中目标的空间信息和移动信息，使用边缘检测的方式，检测出目标的轮廓，计算图像的梯度G_n以及G_n的标准差Std_G：

式中，(i,j)表示图像上像素点；边缘像素集合ED_n＝{G_n(i,j)＞Std_G}作为空间信息，选取边缘像素集合的平均值信息作为目标的位置L_n，计算当前帧与上一帧的位置差，作为移动信息M＝L_n-L_n-1；将以上计算的结果作为有量纲值参数DI，有

DI＝{F_delta,F_theta,F_alpha,U_rms,M}

2)对原始脑电数据进行零均值标准化消除数据量纲，方法如下：

其中，Z为标准化的时间序列，μ为X_EEG的平均值，σ为X_EEG的标准差，

Z＝{z₁,z₂,…,z_n,…,z_N}

将标准化后的数据作为输入层，通过卷积计算得到卷积层数据{J₁,J₂,…,J_N-1}，

其中z_i为标准化后的数据节点，W_i为权重值，i＝1,2,…,n,…,N；设权重向量W初始值为[W₁,W₂,……,W_N(W_i＝1)]；基于欧氏距离找到卷积层数据{J₁,J₂,…,J_N-1}与数据节点{z₁,z₂,…,z_N}最相配的激活节点z_n，方法如下：

欧氏距离d_n取最小值对应的z_n为激活节点；找到激活节点z_n后，对于邻域内的节点z_i,i＝1,2,…,N,i≠n分别分配一个更新权重

其中α(d_n)是邻域内第i个神经元和第n个神经元之间的拓扑距离函数；按照梯度下降法更新迭代权重，通过更新权重得到更新后的节点数据，直到更新后的节点数据收敛到不同的中心点，这些中心点即为不同特征的节点数据，这些节点数据标记为不同的睡眠状态，将最后的节点数据作为无量纲参数NDI，有

NDI＝{nd₁,nd₂,…,nd_n,…,nd_N}

3)实时处理时的数据深度可以选择4秒，10秒，30秒或1分钟。数据深度决定了每次分析脑电信号、肌电信号X的数据长度和视频信号Y的数据长度。分别获取M段脑电信号时间序列，肌电信号时间序列和视频信号的图像序列：

BINX＝{X₁,X₂,…,X_m,…,X_M}

BINY＝{Y₁,Y₂,…,Y_m,…,Y_M}

所对应的有量纲参数和无量纲参数的集合分别为

BINDI＝{DI₁,DI₂,…,DI_m,…,DI_M}

BINNDI＝{NDI₁,NDI₂,…,NDI_m,…,NDI_M}

对数据集合进行聚类分析，确定中心值信息；睡眠分期分为若干阶段，阶段数量决定数据所分的类数，即中心值CV的个数A；计算类中心值的状态值，确定中心值对应的睡眠状态。

实时处理时的对象可以选择啮齿类动物和灵长类动物。啮齿类动物睡眠分期分为三个阶段，清醒期、慢波睡眠期和快速眼动期，灵长类动物分为四个阶段，清醒期、浅睡期、深睡期和快速眼动期。睡眠分期分为若干阶段，阶段数量决定数据所分的类数，即中心值CV的个数A；第a个中心值集合

为有量纲参数的第a个中心值，

为无量纲参数的第a个中心值，1≤a≤A；

在确定中心值的个数时，分别从有量纲参数和无量纲参数集合中任意挑选A个值作为中心值，并分别计算无量纲参数的欧氏距离EM和有量纲参数的马氏距离MA，每个集合得到A个距离，然后结合马氏距离和欧氏距离长短d来确定类别；

其中，对无量纲参数计算欧氏距离

表示无量纲参数每个类的中心值；对有量纲参数计算马式距离

表示有量纲参数每个类的中心值，Cov表示协方差，T表示转置；

式中，(m,a)表示第m段数据的第a个距离结果，1≤a≤A,1≤m≤M；

如果在{d_(m,1),d_(m,2),…,d_(m,a),…,d_(m,A)}中最小值为d_(m,a)，则第m段数据分为第a类；

BINDI_a＝{DI₁,DI₂,…,DI_m,…,DI_L}

BINNDI_a＝{NDI₁,NDI₂,…,NDI_m,…,NDI_L}

其中，L为第a类的数据长度，L<M；

计算每个分类的均值，为重新确定的中心值

计算无量纲参数的欧氏距离EM和有量纲参数的马氏距离MA，每个数据得到A个距离，结合马氏距离和欧氏距离长短d来更新数据集合BINDI_a和BINNDI_a，并更新中心值CV，重复这个步骤，使得CV无变化，得到确定的中心值，并计算类中心值的状态值R：

根据各个睡眠阶段的状态值R范围确定中心值对应的睡眠状态。例如，灵长类动物分为四个睡眠阶段，清醒期、浅睡期、深睡期和快速眼动期，根据R_d<R_s<R_e<R_c确定中心值对应的睡眠状态，R_d表示深睡期，R_s表示浅睡期，R_e表示快速眼动期，R_c表示清醒期。

Claims (2)

1.一种实时睡眠监测记录与分析方法，其特征在于：该方法包括以下步骤：

S1、记录脑电信号、肌电信号并滤除干扰，记录运动行为的视频信号；脑电信号和肌电信号为等采样间隔的时间序列X，视频信号为等采样间隔的图像序列Y；

X＝{x₁，x₂，...，x_n，...，x_N}

Y＝{y₁，y₂，...，y_n，...，y_N}

式中，x_n为采样的第n个点的幅度值，N为采样点数；y_n为采样的第n幅图像的矩阵值，矩阵维度I*J，I，J分别为图像传感器的长宽上的像素数；

S2、对采集的信号进行预处理、特征提取与分类；具体包括：

1)针对脑电信号使用傅里叶变换提取delta、theta和alpha频段的能量信息，delta频段为1～4Hz，theta频段为4～9Hz，alpha频段为9～15Hz，傅里叶变换后的值为：

式中，F_k为第k个频点的能量，1≤k≤N；

为脑电信号采样的第n个点的幅度值；则计算出各频段的能量为：

式中，F_delta，F_theta，F_alpha分别为delta、theta和alpha频段的能量信息；

提取肌电信号的有效值，即均方根值：

式中，

为肌电信号采样的第n个点的幅度值；

提取视频信号中目标的空间信息和移动信息，使用边缘检测的方式，检测出目标的轮廓，计算图像的梯度G_n以及G_n的标准差Std_G：

式中，(i，j)表示图像上像素点；边缘像素集合ED_n＝{G_n(i，j)＞Std_G}作为空间信息，选取边缘像素集合的平均值信息作为目标的位置L_n，计算当前帧与上一帧的位置差，作为移动信息M＝L_n-L_n-1；将以上计算的结果作为有量纲值参数DI，有

DI＝{F_delta，F_theta，F_alpha，U_rms，M}

2)对原始脑电数据进行零均值标准化消除数据量纲，方法如下：

其中，Z为标准化的时间序列，μ为X_EEG的平均值，σ为X_EEG的标准差，

Z＝{z₁，z₂，...，z_n，...，z_N}

将标准化后的数据作为输入层，通过卷积计算得到卷积层数据{J₁，J₂，...，J_N-1}，

其中z_i为标准化后的数据节点，W_i为权重值，i＝1，2，...，n，...，N；基于欧氏距离找到卷积层数据{J₁，J₂，...，J_N-1}与数据节点{z₁，z₂，...，z_N}最相配的激活节点z_n，方法如下：

欧氏距离d_n取最小值对应的z_n为激活节点；找到激活节点z_n后，对于邻域内的节点z_i，i＝1，2，...，N，i≠n分别分配一个更新权重

其中α(d_n)是邻域内第i个神经元和第n个神经元之间的拓扑距离函数；按照梯度下降法更新迭代权重，通过更新权重得到更新后的节点数据，直到更新后的节点数据收敛到不同的中心点，这些中心点即为不同特征的节点数据，这些节点数据标记为不同的睡眠状态，将最后的节点数据作为无量纲参数NDI，有

NDI＝{nd₁，nd₂，...，nd_n，...，nd_N}

3)分别获取M段脑电信号时间序列，肌电信号时间序列和视频信号的图像序列，所对应的有量纲参数和无量纲参数的集合分别为

BINDI＝{DI₁，DI₂，...，DI_m，...，DI_M}

BINNDI＝{NDI₁，NDI₂，...，NDI_m，...，NDI_M}

对数据集合进行聚类分析，确定中心值信息；睡眠分期分为若干阶段，阶段数量决定数据所分的类数，即中心值CV的个数A；计算类中心值的状态值，确定中心值对应的睡眠状态。

2.根据权利要求1所述的实时睡眠监测记录与分析方法，其特征在于：睡眠分期分为若干阶段，阶段数量决定数据所分的类数，即中心值CV的个数A；第a个中心值集合

为有量纲参数的第a个中心值，

为无量纲参数的第a个中心值，1≤a≤A；

在确定中心值的个数时，分别从有量纲参数和无量纲参数集合中任意挑选A个值作为中心值，并分别计算无量纲参数的欧氏距离EM和有量纲参数的马氏距离MA，每个集合得到A个距离，然后结合马氏距离和欧氏距离长短d来确定类别；

其中，对无量纲参数计算欧氏距离

表示无量纲参数每个类的中心值；对有量纲参数计算马式距离

表示有量纲参数每个类的中心值，Cov表示协方差，T表示转置；

式中，(m，a)表示第m段数据的第a个距离结果，1≤a≤A，1≤m≤M；

如果在{d_(m，1)，d_(m，2)，...，d_(m，a)，...，d_(m，A)}中最小值为d_(m，a)，则第m段数据分为第a类；

BINDI_a＝{DI₁，DI₂，...，DI_m，...，DI_L}

BINNDI_a＝{NDI₁，NDI₂，...，NDI_m，...，NDI_L}

其中，L为第a类的数据长度，L＜M；

计算每个分类的均值，为重新确定的中心值

计算无量纲参数的欧氏距离EM和有量纲参数的马氏距离MA，每个数据得到A个距离，结合马氏距离和欧氏距离长短d来更新数据集合BINDI_a和BINNDI_a，并更新中心值CV，重复这个步骤，使得CV无变化，得到确定的中心值，并计算类中心值的状态值R：

根据各个睡眠阶段的状态值R范围确定中心值对应的睡眠状态。

Images